改进ORB特征的机器人RGB-D SLAM算法

基于特征的视觉同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)存在实时性和鲁棒性差等问题,提出一种改进的基于四叉树的ORB特征提取方法,设计包含前后端及地图构建的机器人RGB-D SLAM算法。在前端使用四叉树方法完成ORB特征的均匀提取,计算描述子间汉明距离实现特征匹配。根据随机采样一致性算法思想,结合EPNP(Efficient Perspective-N-Point)和迭代最近点法求解位姿,获取多次迭代后的准确位姿。采用关键帧进行回环检测,并且基于光速法平差优化位姿图,从而构建全局一致的3D地图,达到减少累积误差的目的。通过TUM数据集和多履带式全向移动机器人进行对比验证,实验结果满足实时性和稳定性要求,证明了算法的可行性和有效性。

基于RGB-D SLAM的智能车自主避障与路径规划试验研究

针对GPS信号弱、导航数据缺失场景下自主移动车辆难以精准定位的问题,采用即时定位与地图构建(SLAM)技术实现未知环境下无人小车地图构建与自主定位功能,采用动态A*算法实现了无人小车的避障与路径规划。分别进行了验证试验和未知环境下局部路径规划及全局路径规划试验,结果表明,提出的方案能有效地控制小车自主规划路径,避开障碍物到达目的地。

一种融合单目信息的RGB-D SLAM优化方法

由于RGB-D传感器本身存在的局限性,其在实际应用中会有深度信息不存在或者不完整的情况,这使得多数依赖于深度信息工作的RGB-D SLAM系统的精度会受到影响.提出了一种融合单目信息的RGB-D SLAM优化方法.通过对深度图像进行分析,从深度信息的存在性、准确性和离散性分别提出三个判断条件,作为选择单目或者RGB-D处理方式的依据.该系统使得用RGB-D相机工作的SLAM系统更具精确性与鲁棒性.最后通过运行数据集将系统与其他SLAM系统进行比较,实验结果验证了本系统的可行性.

基于点面特征融合的RGB-D SLAM算法

传统的视觉SLAM算法主要依赖于点特征来构建视觉里程计,而在人造环境中通常存在一些点特征不足但结构特征丰富的场景,此时基于点特征的视觉里程计方法容易出现跟踪失败或位姿估计精度降低的问题。提出一种融合点面特征的RGB-D SLAM算法,利用人造环境中的平面特征提高SLAM算法定位与建图的精度与鲁棒性。使用AGAST特征点提取算法并采用四叉树的方式进行改进,使特征点在图像中均匀分布以减少点特征提取的冗余度。同时,在传统点特征方法的基础上添加平面特征,使用连通域分割算法从点云中获取平面特征,并构建伪平面特征,结合AGAST特征点构建点面特征融合的结构约束因子图,添加多重约束关系用于图优化。实验结果表明,该算法AGAST特征点提取效率优于ORB-SLAM2算法,融合的点面特征使其在室内环境下的定位和建图精度更高,绝对轨迹误差减小约20%,相对轨迹误差减小约10%,单帧跟踪耗时减少约7.3%。

线特征优化配置在室内RGB-D SLAM系统中的应用

运动估计是视觉同时定位与建图(SLAM)研究中的核心问题。从几何-物体特征基元的提取、匹配(关联)和参数化研究入手,结合因子图优化,构建室内RGB-DSLAM系统框架。将“线特征优化配置”策略引入至点-线-平面多观测约束的位姿估计,通过ICL-NUIM和TUM基准数据集实验,确定最优的线特征提取数量,提升系统在弱纹理区域的定位鲁棒性,并增强结果的可解释性。与ORB-SLAM2、PL-SLAM及SP-SLAM的对比实验表明:所开发的系统取得了最优的全局定位性能,相较SP-SLAM在ICL-NUIM数据集8个子序列、TUM数据集4个子序列上的平均轨迹估计精度分别提升了4.33%和21.40%。

基于实例分割与光流的动态场景RGB-D SLAM

为了提高动态场景RGB-D SLAM中相机位姿精度,基于实例分割与光流算法,提出一种高精度RGB-D SLAM方法。首先,通过实例分割算法检测出场景中的物体,删除非刚性物体并构造语义地图。接着,通过光流信息计算运动残差,检测场景中动态刚性物体,并在语义地图中追踪这些动态刚性物体。然后,删除每一帧中非刚性物体和动态刚性物体上的动态特征点,利用其他稳定的特征点优化相机位姿。最后,通过TSDF模型重建静态背景,并以点云的形式显示动态刚性物体。在TUM和Bonn数据集中测试表明,本文方法与当前最先进的SLAM工作ACEFusion相比相机精度提升约43%。消融实验结果表明,保留动态刚性物体处于静止状态下的特征点对相机位姿估计结果提升约37%。稠密建图实验结果表明,本文方法在动态场景中重建结果优于当前先进的工作,平均重建误差为0.042 m。代码开源在https://github.com/wawcg/dy_wcg。

基于BoW模型的增强RGB-D SLAM算法

即时定位与地图构建(simultaneous localization and mapping,SLAM)被认为是机器人自主运动的核心技术。针对目前的RGB-D SLAM算法实时性和鲁棒性差的问题,提出了一种增强的RGB-D SLAM算法。提取RGB图像的ORB特征描述子,然后利用BoW(bag of word)模型缩小特征描述子的匹配范围从而提高算法的实时性;接着采用PROSAC算法结合PnP算法解算初始相机位姿并通过非线性优化的方式得到优化的相机位姿;利用BoW模型结合关键帧技术和结构一致性几何约束提高回环检测的鲁棒性;采用通用图优化工具g2o对位姿图进行优化,得到全局一致的位姿和点云;最后采用贪心三角化算法将点云转换成网格地图。针对Fr1数据集,该算法的平均定位误差为0.0797 m,每帧数据平均处理时间为0.04 s。与RGB-D SLAM原始算法相比,该算法具有良好的实时性和鲁棒性,可以满足机器人实时SLAM的要求。

基于平面约束的RGB-D SLAM系统

针对现有室内环境存在多个平面特征的特点,提出了一种使用平面特征优化相机位姿和建图的实时室内RGB-D同时定位与地图构建(SLAM)系统。系统在前端采用迭代最近点(ICP)算法和直接法联合估计相机位姿,在后端提取相机关键帧平面特征并建立多种基于平面特征的约束关系,优化相机关键帧的位姿和平面特征参数,同时增量式地构建环境的平面结构模型。在多个公开数据序列上的实验结果表明,在平面信息丰富的环境中,平面特征约束能够减小位姿估计的累积误差,系统能够构建场景平面模型并只消耗少量的存储空间,在真实环境下的实验结果验证了系统在室内增强现实领域具有可行性和应用价值。

基于RGB-D SLAM手机的森林样地调查系统研究

基于RGB-D SLAM手机构建了森林样地调查系统,该系统实现了样地构建、每木检尺及林分/样地参数的估计功能,并在测量过程中使用增强现实展示测量结果,且提供了重新测量的交互方式,使观测者在观测过程中能够检测结果的可靠性,并保证所获取样地信息的完整性。该系统在18块半径为7.5 m的圆形样地中进行了测试。结果显示,平均胸径估计值的偏差(BIAS)及均方根误差(RMSE)分别为0.36、0.69 cm,平均树高估计值的BIAS及RMSE分别为0.06、0.63 m,蓄积量估计值的BIAS及RMSE分别为8.595 9、25.735 8 m^3/hm^2,横断面积估计值的BIAS及RMSE分别为0.949 7、1.987 3 m^2/hm^2,株树密度估计值的BIAS及RMSE分别为-3、13株/hm^2,坡度估计值的BIAS及RMSE分别为0.30°、0.88°,坡向估计值的BIAS及RMSE分别为-0.44°、7.61°。其中,坡向估计具有较大的RMSE,是由于当坡度较小时,即使SLAM系统估计位姿有较小漂移,仍会导致该值产生较大偏差,但整体而言坡向仍是无偏的。

基于分级关键帧筛选的RGB-D SLAM算法研究

利用关键帧求解SLAM算法(simultaneous localization and mapping)能够提高SLAM系统的实时性与精确度。针对现存关键帧筛选算法中存在的计算复杂度高、图像帧冗余以及鲁棒性较差等问题,提出一种分级关键帧筛选方法。该算法考虑了SLAM系统在不同运行阶段时对关键帧的要求,首先结合旋转度指数与地图点跟踪筛选出一级关键帧用于后端优化与回环检测,再利用相邻帧在空间上的相对运动距离筛选出二级关键帧用于三维地图构建,最后,实现了基于此二级筛选算法的RGB-D SLAM系统。实验表明,一级关键帧算法能提高SLAM系统的定位和建图精度,二级关键帧算法则有效减少了数据冗余,提高了建图效率。

基于RGB-D SLAM的三维点云地图融合算法

针对地图融合算法初始化状态设定复杂的问题,提出一种判断地图重叠区域,同时提供最近点迭代(Intrative Closest Point,ICP)算法初始变换矩阵的算法。在RGB-D SLAM建图的基础上,通过特征点匹配和对极约束寻找地图重叠区域,并计算地图之间的初始变换矩阵,经过ICP算法迭代后得到地图之间的精确变换矩阵。为了验证算法精度和实际效果,在公开数据集和实际环境中分别运行该算法,结果表明该算法拥有较高的精度。

动态环境下基于延迟语义的RGB-D SLAM算法

目前,将分割网络与SLAM(Simultaneous Localization and Mapping)结合已成为解决视觉SLAM不能应用于动态环境的主流方案之一,但是SLAM系统受到分割网络处理速度的限制,无法保证实时运行.为此,文中提出基于延迟语义的RGB-D SLAM算法.首先,并行运行跟踪线程与分割线程,为了得到最新的延迟语义信息,采取跨帧分割的策略处理图像,跟踪线程根据延迟语义信息实时生成当前帧的语义信息.然后,结合成功跟踪计数(STC)与极线约束,筛选当前帧动态点的集合,并确定环境中先验动态物体的真实运动状态.若确定该物体在移动,继续将物体区域细分为矩形网格,以网格为最小单位剔除动态特征点.最后,利用静态特征点追踪相机位姿并构建环境地图.在TUM RGB-D动态场景数据集及真实场景上的实验表明文中算法在大部分数据集上表现较优,由此验证算法的有效性.

基于三角网格动静区域分离的改进RGB-D SLAM方法（英文）

针对机器人导航中动态环境下的同时定位和建图问题,提出了一种可在动态场景下稳定实时运行的RGB-D SLAM方法。通过从静态背景中分割并剔除动态对象,并在系统RANSAC解算过程中提取静态背景中的特征点来估计相机轨迹,使得系统在动态场景下能稳健定位;对当前帧构建Delaunay三角网格,并判断当前帧与参考帧的匹配点对的距离一致性,通过删除动静状态不一致的点对线段来剔除网格中的动态物体;结合带加权的词典方法,通过减小动态物体在动态场景的权重,进一步提高系统精度。实验结果表明,所提出的方法在TUM数据集的高动态序列中准确度相比现有实时SLAM方法提高了81.37%,显著提高了移动机器人在动态场景下的定位精度。

基于改进关键帧选择的RGB-D SLAM算法

关键帧选择是提高视觉SLAM(simultaneous localization and mapping)算法精度及实时性的重要因素.关键帧常以图像的帧间相对运动距离为选择依据.该方法虽简单有效,但实时性、鲁棒性较差且容易产生大量冗余关键帧.针对上述问题,提出一种改进的关键帧选择算法.该算法整合了帧间相对运动距离、帧间特征点跟踪以及最小视觉变化来选择关键帧并删除冗余关键帧.基于该算法,结合具有较好方向和光照不变性的ORB(oriented FAST and rotated BRIEF)特征,实现了RGB-D SLAM算法.在RGB-D数据集上的实验表明,改进的关键帧选择算法能够更精准、及时地选择关键帧,并在减少RGB-D SLAM中冗余关键帧的同时提高算法的实时性、建图和定位精度.

一种结合ORB特征和视觉词典的RGB-D SLAM算法

同时定位与建图(Simultaneous Localization and Mapping,SLAM)是机器人领域的研究热点,被认为是实现机器人自主运动的关键。传统的基于RGB-D摄像头的SLAM算法(RGB-D SLAM)采用SIFT(Scale-Invariant Feature Transform)特征描述符来计算相机位姿,采用GPU加速的siftGPU算法克服SITF特征提取慢的缺点,但多数嵌入式设备缺乏足够的GPU运算能力,使其应用性受到局限。此外,常规算法在闭环检测时效率较低,实时性不强。针对上述问题,提出了一种结合ORB(oriented FAST and rotated BRIEF)特征与视觉词典的SLAM算法。在算法前端,首先提取相邻图像的ORB特征,然后利用k近邻(k-Nearest Neighbor,kNN)匹配找到对应的最临近与次临近匹配,接着采用比值检测与交叉检测剔除误匹配点,最后采用改进的PROSAC-PnP(Progressive Sample Consensus based Perspective-N-Point)算法进行相机姿态计算,得到对相机位姿的高精度估计。在后端,提出了一种基于视觉词典的闭环检测算法来消除机器人运动中的累计误差。通过闭环检测增加帧间约束,利用通用图优化工具进行位姿图优化,得到全局一致的相机位姿与点云。通过对标准fr1数据集的测试和对比,表明了该算法具有较强的鲁棒性。

一种采用图像特征匹配技术的RGB-D SLAM算法

针对复杂环境下运动机器人自主运行的任务要求,提出了一种采用图像特征匹配技术的视觉Sl AM算法。相比于传统滤波器方法在机器人长时间运动过程中产生的误差积累,采用了基于图优化的Sl AM方法,本文算法分为两个部分:前端和后端。前端负责处理图像数据提取机器人位姿几何关系,首先提取彩色RGB图像的特征点,创建特征点的高维特征描述子,建立特征点的位置对应关系;后端负责表达各时刻机器人的位姿并最大化地消除轨迹漂移问题,根据前端处理所产生的信息,构建一个代表机器人几何位置关系及其不确定性的关系图,通过对图的优化将测量轨迹最大化地逼近真实轨迹,最后生成稀疏点云地图和高精度的机器人运行轨迹。试验表明本文所提出的方法实用性强,具有较高的鲁棒性。

基于RGB-D SLAM的智能车自主避障与路径规划实验研究

智能车在自主巡航与避障过程中,最主要的是对周围环境的感知,所以其核心技术便是视觉定位技术。但是通常情况下智能车的体积较小,传统的GPS系统定位技术很难进行精准定位,所以采用视觉SLAM(Simultaneous Localization And Mapping)技术进行实时定位与地图构建就成为智能车自主避障和规划路径的主要手段。由于SLAM技术在智能车运行过程中对光照的变化比较敏感、生成的地图信息缺失较多,在光照变化的环境中该技术并不能够满足我们的需求,所以就需要一种高鲁棒性的视觉算法。在本研究中,将RGB-D与SLAM算法相结合,来达到精准定位的目的。该算法的定位精度更高,鲁棒性更强。

RGB-D SLAM V2系统算法分析与性能评估

健壮的SLAM系统对机器人导航和操作有着深远的意义,因此介绍RGB-D SLAM V2系统,并对算法的数据集测试效果和真实场景的建图效果进行评估,即简要介绍SLAM技术发展的背景和意义,评估RGB-D SLAM V2系统的框架、算法设计、创新点和实际性能。从实验结果可以看出,算法定位的精度基本拟合真实的运动,对环境的重现也可用于视觉观测,具有极好的可扩展性。

基于卷积神经网络的RGB-D SLAM回环检测研究

回环检测是视觉SLAM中不可或缺的一部分,正确检测出回环能有效减小移动机器人在定位和建图过程中产生的累计位置漂移问题。SLAM回环检测目前主要有词袋模型方法,具有良好的实时性,但人工特征具有对光照变化非常敏感等问题。针对这些问题,提出了深度学习和回环检测结合的方法,将卷积神经网络模型应用于SLAM回环检测中,并且通过模型对RGB-D图像进行特征提取,提出了两种图像融合方法,通过对比判断最佳措施;进而通过特征匹配来判断回环。与现有方法相比,本研究提出的方法达到了具有更高精确性和实时性的效果。

基于重投影深度差累积图与静态概率的动态RGB-D SLAM算法

为了提高同时定位与建图(SLAM)系统在动态场景下的定位精度和鲁棒性,提出新的RGB-D SLAM算法.建立基于重投影深度差值的累积模型,分割图像的动静态区域;为了避免动态区域过分割,先剔除与匹配地图点欧氏距离过大的动态区域特征点,再根据t分布估计其余特征点的静态概率;将静态区域特征点和动态区域的疑似静态点以不同权重加入位姿优化,得到提纯后的位姿.在公开数据集上的实验结果表明,所提算法在动态场景下较改进前的RGB-D ORB-SLAM2算法的定位精度提升96.1%,较其他动态SLAM算法提升31.2%,有效提高了视觉SLAM系统在动态环境下的定位精度和鲁棒性.